ROC（Receiver Operating Characteristics）
ROC曲线是一种用于评估分类模型性能的工具，特别是在不同的决策阈值下。ROC曲线显示了当阈值变化时，真正例率 (True Positive Rate, TPR) 和假正例率 (False Positive Rate, FPR) 之间的关系。在身份验证领域也可用来表示FAR（False acceptance rate）和FRR（False rejection rate）的关系。
在多数情况下，以FPR为横坐标，以TPR为纵坐标，在这样的设置下，曲线上的值越靠近左上角越好（表示被正确分类的值很高，被认为是正确但其实是错误的很少），同理，以FAR为横坐标，以FRR为纵坐标亦是可以的。
（此时图上的任一值都表示某“模型”的一个阈值/配置）
AUC (Area Under the ROC Curve)
AUC是ROC曲线下的面积，它提供了一个单一的值来评估分类模型的性能。AUC的值介于0和1之间：
- AUC = 0.5：模型的预测能力等同于随机猜测。
- AUC = 1.0：模型在所有阈值下都有完美的预测性能
以该图为例，性能上或者说预测精度上：配置A>配置B>配置C
以上配置来说，是以FPR为x轴，TPR为y轴为设置的，若是以其他情况可能另有说法，比如在
很明显左下角方向更具有优势，在此时，AUC面积越小越好，即CC模型更有优势
参考：https://zhuanlan.zhihu.com/p/573964757 标签：AUC,ROC,False,曲线图,阈值,模型,常见,TPR From： https://www.cnblogs.com/HOI-Yzy/p/17702846.html